基于卷積神經網絡的MEMS 傳感器隨機誤差補償方法

李英俊，褚文超，嚴利軍，趙磊，周欣榮

（烏蘭察布電業局，內蒙古烏蘭察布 012000）

近年來，隨著微型機電技術的迅速發展，傳感器技術逐漸成為研究的熱門。其中，MEMS 傳感器技術發展迅速，它具有重量輕、消耗少、體積較小、成本低等優勢，且易于大批量生產制造，使其在諸多技術領域得到廣泛的應用[1-2]。但是，MEMS 傳感器技術成本造價較低，使傳感器結構和傳感系統等方面存在不足，在工作運行過程中，會因外界干擾產生漂移等不穩定性誤差，影響傳感器的精準度[3-4]。

目前，綜合各方面因素考慮，對傳感器隨機誤差進行補償建模是提高傳感系統精準度的有效途徑。因此，文中針對MEMS 傳感器現存的隨機性誤差問題，引入了卷積神經網絡領域相關知識，對傳感器與陀螺儀在深度信號接收、信號定位等方面存在的隨機性誤差進行誤差糾正和補償方法研究。

1 卷積神經網絡工作原理

卷積神經網絡是一種包含卷積計算能力且具有深度結構的前饋神經網絡，是深度學習代表算法之一[5]。卷積神經網絡具有表征學習能力，能夠按其階層結構對輸入信息進行平移不變分類。卷積神經網絡結構主要包括5 個層面：輸入層、卷積層、池化層、全連接層和輸出層。其中，卷積層和池化層是最重要的兩個層面[6]。每個層面具有多個特征面，特征面包含多種不同功能的神經元。卷積神經網絡進行卷積的主要過程是將輸入層特征面的神經元與輸出層的相關特征面連接，通過相關權限對輸出層對應的數據進行運算求和，并將運算結果傳輸到輸入層。卷積神經網絡基本結構如圖1 所示。

圖1 卷積神經網絡基本結構

文中通過分析不同行動軌跡，使實驗數據具有多樣性。主要實驗點應分布在足夠支持傳感器設備正常操作運行的地區，以保證數據采集的有效性；數據采集可在能力范圍內盡可能擴大傳感器數據樣本的采集規模，從而使實驗結果更為準確[7-8]。

在原始數據的采集過程中，由于外界環境的干擾和人為因素的影響，必然會產生不同程度的干擾情況[9]，因此需要提高誤差補償模型的精準性。

環境干擾消除處理系統的操作基礎模型如圖2所示，根據傳感器目標的位置、傳感器信號發射速度和方位建設一個理想坐標系；通過具體的傳感器信號數據接收，確定目標實際方位與傳感器所在位置的方位關系，建立實際坐標系。用運算公式得到理想坐標系中的傳感器載體的重力、速度和加速度數據，與實際數據對比，能夠得到不同的數據差異，即為實際傳感器受到的環境干擾數據[10]。之后，采用聲波過濾器過濾掉傳感器采集信號過程中其他聲波的干擾，即可得到相對完整環境下的傳感器信號的采集數據[11-12]。

圖2 干擾消除系統操作基礎模型

2 MEMS傳感器隨機誤差補償方法

2.1 MEMS傳感器隨機誤差類型

運用卷積神經網絡對MEMS 傳感器隨機誤差問題構建補償模型，根據誤差表現形式，MEMS 的誤差大致可分為4 種類型。

1）MEMS 傳感器溫度漂移誤差：指傳感器中加速度計量儀和陀螺儀受溫度差異的影響導致的誤差。溫度信息可在系統中央溫度控制中心獲取，通過溫度傳感器向外傳輸，對陀螺儀運行頻率產生影響。

2）MEMS 加速度計量指標數值非線性誤差：標度數值會在傳感器各運行階段發生不同變化，在安裝過程中會產生誤差，標度因數通過離心機的運行再次變化。離心機一般不配備溫度控制儀器，導致傳感器自體發熱且無法散熱。

3）MEMS 陀螺儀標度數值非線性誤差：這種誤差和第二種誤差類型相似，受到溫度影響，傳感器的陀螺儀運行不穩定。對此，可將復雜測量數據進行篩選簡化，減少系統處理內容的數量，減輕傳感器發熱程度。

4）加速度測量儀的向心度誤差和陀螺儀加速度反應誤差：加速度測量儀會在運行中受到離心力和向心力等力的作用，導致測量結果與真實數據有一定出入。這種情況可針對加速度測量儀的結構進行改裝設計，削弱外力對測量結果的影響；陀螺儀在加速過程中產生的誤差，也可結合離心機進行二次運算，對誤差進行直接補償，從而獲得較為準確的測量結果[13]。

2.2 誤差整體標定方法

為了對MEMS 傳感器隨機誤差進行精準的補償建模，要在模型設計之前對傳感器進行初步篩選。在基礎條件下，運用卷積神經網絡技術對每個傳感器精準度、測量范圍、受環境影響大小等因素進行測量標定。文中設計了MEMS 整體標定方法，根據所有樣本傳感器的基本特征，設計完整的測量程序，對所有MEMS 傳感器同時進行標定，省去了對每個傳感器單獨進行測量的步驟，能夠一次性得到所有傳感器每一項指標的誤差數據。MEMS 傳感器整體標定流程如圖3 所示。

圖3 MEMS傳感器整體標定流程

首先檢查溫度控制中心，標定設置好傳感器溫度變化的范圍，然后在既定溫度范圍內開啟傳感器，獲得不同溫度下加速度測量儀和陀螺儀的標度數值、耦合誤差和漂移誤差等具體系數。整體標定的方法不僅縮短了獲取誤差數據的過程與時間，而且測量準確程度也有所提高，相比于傳統的標定方法更加高效準確[14-15]。

2.3 隨機誤差補償方法

根據MEMS 溫度標定和離心機標定獲取到的參數，進行溫度和離心角度差異的補償；再根據陀螺儀加速度矩陣運算程序，得到傳感器加速度測量儀和陀螺儀的參數，對傳感器運行速度和旋轉速率進行誤差補償；將運算所得具體數據代入到各部分的標定公式中，能夠得到正常狀態下加速度的速率輸出和運行軌跡[16]。

在MEMS 傳感器磁場定位解算中，需要通過卷積神經網絡對傳感器系統定位程序進行解算，解算過程如圖4 所示。

圖4 MEMS傳感器定位解算過程

MEMS 傳感器通過標定得到各項參數，對參數運算后得到溫度控制器加速度測量儀和陀螺儀的輸出運行速率等方面的準確數值，進而得到誤差補償后的傳感器加速度和角速率的相關信息。結合傳感器磁場進行輸出橫向角速率的計算，通過導航儀的配合得到目標參數的坐標數據，通過四元數解算方法得到磁場傳感器原始狀態下的初始數據。通過對初始方位數據的運算，對受到漂移誤差影響的MEMS 傳感器進行輸出誤差修正，四元數解算算法如下：

根據矩陣運算得到四元數初始數據為：

依據式（2）運算得到的四元數的初始數據，再進行四元數解算公式運算：

式（3）中，qn表示初始方位四元數，wb表示傳感器加速度運行的角速率。

根據四元數運算方程進行求解，得到初始狀態下傳感器加速度與角速率的理想數據，再與實際測量標定的數據進行對比，得出傳感器隨機誤差產生的原因和大致規律。

結合溫度系統、加速度測量儀、陀螺儀、磁場定位導航等各方面傳感器誤差補償方法，可較為準確地標定出傳感器在異常溫度、高加速度、高角速率等問題影響下產生的誤差數據。

3 實驗研究

為了驗證卷積神經網絡對MEMS 傳感器隨機誤差補償方法的有效性，文中針對MEMS 傳感器隨機誤差補償方法進行了對比實驗，分別對深度信念網絡、循環神經網絡和卷積神經網絡對傳感器隨機誤差補償方法各方面的性能進行分析測試。

首先針對傳感器信號采集范圍內受環境影響產生的誤差，文中采用3 種神經網絡誤差補償模型對補償誤差進行實驗，實驗數據如圖5 所示。

圖5 不同方法補償模型誤差對比

經過對比實驗分析，基于卷積神經網絡的傳感器誤差補償模型比傳統的誤差補償模型效果更好，且誤差最低，而基于神經網絡的傳感器誤差補償模型和基于循環神經網絡的誤差補償始終高于所提方法。由此可見，在受到外部環境影響的情況下，卷積神經網絡誤差補償模型對隨機誤差的補償效果更好，誤差補償性能更優。

為了驗證所提方法的科學有效性，實驗分析了3種方法的補償效果，如圖6 所示。

圖6 補償模型漂移誤差補償效果對比

圖6為基于3種神經網絡的傳感器誤差補償模型對漂移誤差補償的效果對比。可見相對于傳統的誤差補償模型，提出的基于卷積神經網絡MEMS傳感器誤差補償模型對漂移誤差補償結果更穩定，數據差異更小，對漂移和隨機游走誤差的補償性能更強。

針對傳感器加速度測量儀和陀螺儀容易產生的加速度和角速率誤差，文中將3 種誤差補償模型置于同一環境中，采用相同傳感器配置進行了對比實驗，實驗數據如圖7、8 所示。

圖7 補償模型加速度誤差補償效果對比

從圖7、8 中可以看出，對于MEMS 傳感器的隨機誤差，相比于傳統的誤差補償模型，基于卷積神經網絡的誤差補償模型對傳感器加速度和角速率的誤差補償效果更好。如圖7 所示，基于卷積神經網絡誤差補償后，加速度的變化更平穩，隨著時間推移變化程度起伏越來越小。

圖8 中，傳感器角速率有明顯變化，對應著實驗中運行軌跡的變化，而傳統補償模型角速率誤差補償后的數值仍趨近于0。由此可見，提出的基于卷積神經網絡的MEMS 傳感器隨機誤差補償模型更為優秀，誤差補償效果更好。

圖8 補償模型角速率誤差補償效果對比

4 結束語

文中主要針對MEMS 傳感器隨機誤差對測量工作產生的影響，以及誤差產生的各部分數據對比，提出了基于卷積神經網絡的隨機誤差補償模型，并與傳統的誤差補償模型進行對比實驗。實驗結果表明，基于卷積神經網絡的誤差補償方法能夠更精準、更穩定地對傳感器誤差進行補償，而且效率更高，所需成本更小，誤差補償的效果更好。該研究成果對相關領域的傳感器誤差補償方法研究提供了寶貴經驗，對日后的傳感器誤差補償技術研究起到一定的指導作用。